CN115099162A - 一种复杂地形下风场的订正方法 - Google Patents

一种复杂地形下风场的订正方法 Download PDF

Info

Publication number
CN115099162A
CN115099162A CN202211015833.6A CN202211015833A CN115099162A CN 115099162 A CN115099162 A CN 115099162A CN 202211015833 A CN202211015833 A CN 202211015833A CN 115099162 A CN115099162 A CN 115099162A
Authority
CN
China
Prior art keywords
wind
terrain
slope
divergence
wind speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211015833.6A
Other languages
English (en)
Other versions
CN115099162B (zh
Inventor
蔡宏珂
巩远发
陈权亮
祝宜浩
董丹丹
廖雨静
毛雅琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202211015833.6A priority Critical patent/CN115099162B/zh
Publication of CN115099162A publication Critical patent/CN115099162A/zh
Application granted granted Critical
Publication of CN115099162B publication Critical patent/CN115099162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Atmospheric Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Software Systems (AREA)
  • Environmental Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明提供一种复杂地形下风场的订正方法，属于气象预测方法技术领域，现有的山地预测手段无法针对复杂地形地貌且公里级的风场精细化订正的问题，本发明方法步骤包括：根据复杂地形地貌形态特征数据进行地形分类划分，构建地形类型空间分布；以观测站点为中心建立地形空间分布与风场的风速风向空间拟合关系；建立风场与相应地形特征参数的多元回归模型，形成局地地形‑气象订正方法；利用气象统计方法对多元回归模型提前预测的风速风向进行验证比较分析、优化并形成局地地形‑气象降尺度模型，实现复杂地形下的局地地形降尺度，弥补气象观测站网观测密度不够的问题，可以更好的利用高分辨率数值预报产品开展风场产品释用工作。

Description

一种复杂地形下风场的订正方法
技术领域
本发明涉及气象预测方法技术领域，特别是涉及一种复杂地形下风场的订正方法。
背景技术
山地地形地貌特征研究一直是地理地貌学领域传统的研究内容，作为直接影响人类活动的一个基本要素，与经济建设、社会发展、防灾减灾等方面关系密切。地形对气候的影响在于山地的迎风坡和背风坡常形成不同的自然环境，进而形成了不同的人文环境。
学者们在地貌形态学方面的研究主要为：基于DEM数据，提取地形地貌因子对单一或固定的一些地貌形态特征（也称地形因子）进行分析和划分指标的研究，或者从遥感影响角度获取地貌形态特征，对真实地形进行了一定程度上的刻画和描述，能够获得不同的地貌形态分布图。
我国常规气象站一般都随城镇建设在平原或平坝地区，山地测风资料较为缺乏，如何合理可靠地分析及预测山地风，一直是气象预报的一大难题。
目前针对山地风缺乏的问题，主要采取手段：一是建设观测站点，增加数据监测密度；二是利用气象数据根据地形数据进行插值，但往往插值方法比较传统且对大尺度山地风有一定的订正效果。对于复杂地形地貌且公里级的风场精细化订正技术较为缺乏。
而山地风场往往是山地工程建设所需要的基本气象资料，例如很多长距离的超、特高压输电线路常常规划和建设在山地，一些风电场及太阳能电站也规划和建设在山地。由于山地地形多变，风场的变化特性非常复杂，山区大风对电力工程建设、线路安全有着非常重要的影响，如何合理可靠地分析确定山地风速，从而进行山地电力工程设计，一直是电力工程气象勘测的重大难题，适用于复杂地形下风场资料的订正技术方法是所急需的。
基于以上问题，本发明一种复杂地形下风场的订正方法。
发明内容
针对上述技术背景中的问题，本发明目的是提供一种复杂地形下风场的订正方法，利用山地常规气象站观测资料、高分辨率的数值模式资料和地形数据，建立复杂地形下山地与风场的订正模型，给予山地风预报预测提供参考，同时可为山地工程建设的经济合理性与运行的安全性、可靠性提供一些参考，解决了背景技术中所提出现有的山地测手段无法针对复杂地形地貌且公里级的风场精细化订正的问题。
为实现上述目的，本发明的技术方案为：
一种复杂地形下风场的订正方法，包括以下步骤：
根据复杂地形地貌形态特征数据进行地形分类划分，构建地形空间分布；
以观测站点为中心建立地形空间分布与风场的风速风向空间拟合多元回归模型框架；
建立典型风场与相应地形特征参数的多元回归模型，形成局地地形-气象订正方法；
利用气象统计方法对多元回归模型提前预测的风速风向进行验证比较分析、优化并形成局地地形-气象降尺度模型。
进一步的，所述地貌形态特征数据包括DEM数据和气象数据，通过所述气象数据包含的风速风向数据和所述DEM数据所包含的海拔高度来计算高度平流和地形散度，并以此进行地形类型分类，主要为平坝、迎风坡、背风坡、山脊、山（河）谷、风口。
更进一步的，通过所述风速风向和所述海拔高度来计算高度平流和地形散度的方法为：
坡度坡向，也称海拔高度梯度，表示为：
Figure DEST_PATH_IMAGE001
其中，
Figure 877470DEST_PATH_IMAGE002
为地球半径，
Figure DEST_PATH_IMAGE003
为经度，
Figure 150057DEST_PATH_IMAGE004
为纬度，
Figure DEST_PATH_IMAGE005
为海拔高度，
Figure 735890DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
为纬向（东西方向）和 经向（南北方向）的单位矢量；
坡度大小，即坡度坡向的模，利用纬向坡度和经向坡度表示为：
Figure 870069DEST_PATH_IMAGE008
；
其中h为坡度，m为模，hm指坡度的模，hx指x方向的坡度，hy指y方向的坡度；
利用气象学中平流的概念，定义高度平流为风矢量和坡度坡向的矢量积
Figure DEST_PATH_IMAGE009
，表示 为：
Figure 359212DEST_PATH_IMAGE010
；
利用气象学中速度散度的概念，定义地形散度为坡度坡向的散度，表示为：
Figure 959958DEST_PATH_IMAGE012
其中，纬向风速
Figure DEST_PATH_IMAGE013
和经向风速
Figure 33087DEST_PATH_IMAGE014
为风矢量在
Figure DEST_PATH_IMAGE015
方向和
Figure 954644DEST_PATH_IMAGE016
方向的分量，纬向风速
Figure 780518DEST_PATH_IMAGE013
和 经向风速
Figure 302897DEST_PATH_IMAGE014
两者共同表示风矢量；
纬向坡度：
Figure 50273DEST_PATH_IMAGE018
经向坡度：
Figure 260675DEST_PATH_IMAGE020
纬向坡度和经向坡度为坡度坡向在
Figure 125076DEST_PATH_IMAGE015
方向和
Figure 598783DEST_PATH_IMAGE016
方向的分量。
更进一步的，依据所述高度平流和所述地形散度进行地形分类的方法：
平坝：连续的2×2个格点范围、坡度大小值
Figure DEST_PATH_IMAGE021
和
Figure 380925DEST_PATH_IMAGE022
；
迎风坡和背风坡：
Figure DEST_PATH_IMAGE023
的夹角大于90º、
Figure 395017DEST_PATH_IMAGE024
的值小于0；
背风坡：
Figure 444751DEST_PATH_IMAGE023
的夹角小于90º、
Figure 558200DEST_PATH_IMAGE024
的值大于0；
山脊：是分水区（线），位于地形辐散较强的区域，取
Figure DEST_PATH_IMAGE025
；
山（河）谷：是汇水区（线），位于地形辐合较强的区域区，取
Figure 93218DEST_PATH_IMAGE026
；
风口：通常也是地形海拔高度场分布的山口（河口）鞍形场区域，且满足9点模型示 意图如下四个条件中任一条件的
Figure DEST_PATH_IMAGE027
点：
①
Figure 114264DEST_PATH_IMAGE028
②
Figure DEST_PATH_IMAGE029
③
Figure 287012DEST_PATH_IMAGE030
④
Figure DEST_PATH_IMAGE031
经验参数取
Figure 915571DEST_PATH_IMAGE032
。
进一步的，在构建风速风向空间拟合多元回归模型框架过程中，风场的风速风向取7天内、1小时间隔、3-5公里的区域数值风场格点资料。
更进一步的，分析风场的风速风向与相应格点的地形特征参数的统计关系。
更进一步的，根据反距离加权平均插值法拟合的标准化风速风向及实际风速风向的平均值和标准差计算拟合的风速风向。
进一步的，根据典型风场与相应地形特征参数建立所述多元回归模型建立方法： 对逐个时次的纬向风
Figure 655994DEST_PATH_IMAGE013
和经向风
Figure 933260DEST_PATH_IMAGE014
进行回归拟合建立模型，多元回归模型选取的组合变量 因子如下：
拟合纬向风
Figure DEST_PATH_IMAGE033
的组合变量因子：
Figure 973897DEST_PATH_IMAGE034
：海拔高度
Figure 445461DEST_PATH_IMAGE005
，最基本的地形参数；
Figure DEST_PATH_IMAGE035
：地形散度纬向分量与不同时刻纬向风的积：
Figure 938759DEST_PATH_IMAGE036
，是定量表示不同 类型地形特征随时间（纬向风）变化的综合因子；
Figure DEST_PATH_IMAGE037
：纬向坡度与不同时刻纬向风的积：
Figure 610262DEST_PATH_IMAGE038
，是定量表示迎风坡、背风坡纬向 分量随时间变化的综合因子；
拟合纬向风
Figure DEST_PATH_IMAGE039
的组合变量因子是：
Figure 990559DEST_PATH_IMAGE040
：海拔高度
Figure 882292DEST_PATH_IMAGE005
，最基本的地形参数；
Figure DEST_PATH_IMAGE041
：地形散度经向分量与不同时刻经向风的积：
Figure 377733DEST_PATH_IMAGE042
，是定量表示不同类型 地形特征随时间（经向风）变化的综合因子；
Figure DEST_PATH_IMAGE043
：经向坡度与不同时刻经向风的积：
Figure 826163DEST_PATH_IMAGE044
，是定量表示迎风坡、背风坡经向 分量随时间变化的综合因子；
每个格点的标准化变量拟合方程的形式为：
Figure DEST_PATH_IMAGE045
上式中
Figure 575813DEST_PATH_IMAGE046
是每个格点被拟合量
Figure DEST_PATH_IMAGE047
的标准化变量，
Figure 218541DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
是多 元回归拟合系数，
Figure 171584DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
是上述标准化的变量因子
与现有技术相比，本发明具有如下优点：
本发明通过复杂地形地貌形态特征数据进行地形分类划分，构建地形类型空间分布，同时以观测站点为中心建立地形空间分布与风场的风速风向空间拟合多元回归模型框架，将观测数据与地形类型空间匹配起来，然后建立风场与相应地形特征参数的多元回归模型，形成局地地形-气象订正方法，并通过多次预测验证分析优化形成局地地形-气象降尺度模型，通过局地地形-气象降尺度模型可以有效的改善山地测风缺失的情况，而且物理意义明确，可应用于不同的分辨率，实现复杂地形下的局地地形降尺度，弥补气象观测站网观测密度不够的问题，可以更好的利用高分辨率数值预报产品开展风场产品释用工作，提供精细化网格化的风场产品，将公里量级的风场产品应用到气象预报服务和山地工程建设中。
附图说明
图1为本发明所提供的一种复杂地形下风场的订正方法实施例一的流程示意图；
图2为本发明所提供的搜寻风口9点模型示意图。
具体实施方式
实施例1
参考图1，本实施例中提供冬奥会张家口复杂地形下山地与风场的订正模型，流程图可参考图1，具体地，包括以下步骤：
首先利用山地区域国家常规气象站和加密自动气象站观测资料、高分辨率数值模式模拟同化资料、地形资料，研究地形复杂的四川省西南部山地与平坝风速关系，建立山地典型地形与平坝风速关系的数学模型，给予山地电力工程建设的经济合理性与运行的安全性、可靠性提供一些参考。
S100：根据地貌形态特征进行地形分类划分，构建地形空间分布。
本实施例中，使用风速风向和海拔高度来计算高度平流和地形散度，从而构建地形分类，主要为平坝、迎风坡、背风坡、山脊、山（河）谷、风口。然后执行步骤S200；
坡度坡向，也称海拔高度梯度，表示为：
Figure DEST_PATH_IMAGE053
其中，
Figure 718978DEST_PATH_IMAGE002
为地球半径，
Figure 791976DEST_PATH_IMAGE003
为经度，
Figure 41823DEST_PATH_IMAGE004
为纬度，
Figure 403534DEST_PATH_IMAGE005
为海拔高度，
Figure 177455DEST_PATH_IMAGE006
和
Figure 843577DEST_PATH_IMAGE007
为纬向（东西方向）和 经向（南北方向）的单位矢量。
坡度大小，即坡度坡向的模，利用纬向坡度和经向坡度表示为：
Figure DEST_PATH_IMAGE055
利用气象学中平流的概念，定义高度平流为风矢量和坡度坡向的矢量积
Figure 841489DEST_PATH_IMAGE009
，表示 为：
Figure DEST_PATH_IMAGE057
利用气象学中速度散度的概念，定义地形散度为坡度坡向的散度，表示为：
Figure 769125DEST_PATH_IMAGE012
其中，纬向风速
Figure 284420DEST_PATH_IMAGE033
和经向风速
Figure 846857DEST_PATH_IMAGE039
为风矢量在东西方向（
Figure 422195DEST_PATH_IMAGE058
方向）和南北方向（
Figure DEST_PATH_IMAGE059
方向） 的分量，纬向风速和经向风速两者共同表示风矢量；纬向坡度
Figure 102706DEST_PATH_IMAGE060
和经向坡度
Figure DEST_PATH_IMAGE061
为坡度坡向在东西方向（
Figure 1785DEST_PATH_IMAGE058
方向）和南北方向（
Figure 107144DEST_PATH_IMAGE059
方向）的分量，纬向坡度和经向 坡度两者共同表示坡度坡向。
利用上述物理量，给出不同类型地形的定量指标进行地形分类。
（1）平坝：连续的2×2个格点范围，坡度小值和地形散度辐合区。
（2）迎风坡和背风坡：由风速方向和和坡度方向共同确定的。对每一个格点，若风 为低海拔吹往高海拔，则划分该格点为迎风坡，数学上则是
Figure 915700DEST_PATH_IMAGE062
的夹角大于90º、或者
Figure 224453DEST_PATH_IMAGE009
的值小于0；若风为高海拔吹往低海拔，则划分该格点为背风坡，数学上则是
Figure 612709DEST_PATH_IMAGE062
的夹角 小于90º、或者
Figure 634892DEST_PATH_IMAGE009
的值大于0。
（3）山脊：是分水区（线），位于地形辐散较强（
Figure DEST_PATH_IMAGE063
的值较大）的区域。
（4）山（河）谷：是汇水区（线），位于地形辐合较强（
Figure 129196DEST_PATH_IMAGE063
的值较小）的区域区。
（5）风口：通常也是地形海拔高度场分布的山口（河口）鞍形场区域、且风速值相对较大。本研究对海拔高度的鞍形场区域用最简单的9点模型进行搜寻。如图2所示，用图中风口点h0与其周围h1、h2、......、h8的8个格点的海拔高度，判定h0点为鞍形场的条件是满足表4-1中的4个条件之一；同时h0点的风速大于3m/s，h0点就是风口。
表1 地形客观分类的定量指标
Figure DEST_PATH_IMAGE065
S200：进行风场与地形的关系拟合（研究风速风向与地形的关系，建立拟合关系）。以观测站点为中心，使用地形分类方法和风速风向格点资料，研究风场与相应格点的地形分类的统计关系。
本实施例中，风场拟合选择地形空间中的6类典型地形开展，然后再根据反距离加权平均插值法拟合的标准化风速风向及实际风速风向的平均值和标准差计算拟合的风速风向值。然后执行步骤S300；
S300：建立多元回归模型（建立典型风场与相应地形特征参数的多元回归模型），形成局地地形-气象订正方法。
对逐个时次的纬向风
Figure 518720DEST_PATH_IMAGE033
和经向风
Figure 179508DEST_PATH_IMAGE039
进行回归拟合建立模型，多元回归模型选取的 组合变量因子如下：
拟合纬向风
Figure 259460DEST_PATH_IMAGE033
的组合变量因子：
Figure 921736DEST_PATH_IMAGE066
：海拔高度
Figure 454348DEST_PATH_IMAGE005
，最基本的地形参数。
Figure DEST_PATH_IMAGE067
：地形散度纬向分量与不同时刻纬向风的积：
Figure 731877DEST_PATH_IMAGE068
，是定量表示不同 类型地形特征随时间（纬向风）变化的综合因子。
Figure DEST_PATH_IMAGE069
：纬向坡度与不同时刻纬向风的积：
Figure 243499DEST_PATH_IMAGE070
，是定量表示迎风坡、背风坡纬向 分量随时间变化的综合因子。
拟合纬向风
Figure 33600DEST_PATH_IMAGE039
的组合变量因子是：
Figure DEST_PATH_IMAGE071
：海拔高度
Figure 866558DEST_PATH_IMAGE005
，最基本的地形参数。
Figure 197045DEST_PATH_IMAGE072
：地形散度经向分量与不同时刻经向风的积：
Figure DEST_PATH_IMAGE073
，是定量表示不同类型 地形特征随时间（经向风）变化的综合因子。
Figure 769365DEST_PATH_IMAGE074
：经向坡度与不同时刻经向风的积：
Figure DEST_PATH_IMAGE075
，是定量表示迎风坡、背风坡经向 分量随时间变化的综合因子。
每个格点的标准化变量拟合方程的形式为：
Figure DEST_PATH_IMAGE077
上式中
Figure 808997DEST_PATH_IMAGE078
是每个格点被拟合量
Figure DEST_PATH_IMAGE079
的标准化变量，
Figure 644097DEST_PATH_IMAGE080
和
Figure DEST_PATH_IMAGE081
是多 元回归拟合系数，
Figure 27543DEST_PATH_IMAGE082
和
Figure DEST_PATH_IMAGE083
是上述标准化的变量因子。
本实施例中，由于风速风向变化的局地特征非常显著，大范围拟合的结果有很大的不确定性，本发明拟选择典型地形类型的观测站点为中心，然后执行步骤S400；
S400：优化并形成局地地形-气象降尺度模型。利用气象统计方法，将S300形成的局地地形-气象订正后的数据与观测风速风向进行比较分析，形成最终的局地地形-气象降尺度模型。
实施例2
基于实施例1的系统，本实施例中提供冬奥会张家口复杂地形下山地与风场的订正模型。流程图可参考图1，具体地，包括以下步骤：
首先研究冬奥会张家口局地地形的地形地貌特征，利用山地常规气象站观测资料、高分辨率的数值模式资料和地形数据，采用气象降尺度技术，针对缺气象观测站点的山区进行风场测算方法及其应用，解决冬季复杂地形条件下地面风场精细预报的北京冬奥会气象服务的核心科学技术问题。
S100：根据地貌形态特征进行地形分类划分，构建地形空间分布，形成平坝、迎风坡、背风坡、山脊、山（河）谷、风口等地形分类；然后执行步骤S200；
本实施例中，地形数据采用DEM数据，研究局地地形地貌特征；气象数据采用常规观测场风场数据和高分辨率的数值模式资料；综合考虑风速风向与坡度坡向的关系表示不同类型地形特征，形成张家口崇礼区复杂地形高分辨率地形高度特征参数，和地形分类，即山脊和山（河）谷、迎风坡和背风坡、风口、平坝。
S200：研究风速风向与地形的关系，建立拟合关系；
本实施例中，选取张家口崇礼西北和东南两个区域为典型区域，以海拔高度、地形散度作为变量因子，分别研究两个区域逐个时次的纬向风u和经向风v与地形因子的关系。然后执行步骤S300；
S300：建立典型风场与相应地形特征参数的多元回归模型；
本实施例中，以S200典型区域的观测站点为中心，结合风速风向格点资料、观测风场资料与相应格点的地形特征参数的统计关系，建立多元回归模型，形成局地地形-气象订正方法。然后执行步骤S400；
S400：优化基于网格数据参数的风场数据模型，形成研究区域复杂地形下的风场订正技术方法。
本实施例中，利用订正风场数据提前2小时预报多元回归订正风场与观测风场及高分辨率率数值模式预报风场的总体差异和统计特征，改善模式预报的风场。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种复杂地形下风场的订正方法，其特征在于，包括以下步骤：
S1、根据复杂地形地貌形态特征数据进行地形分类划分，构建地形空间分布；
S2、以观测站点为中心建立地形空间分布与风场的风速风向空间拟合多元回归模型框架；
S3、建立典型风场与相应地形特征参数的多元回归模型，形成局地地形-气象订正方法；
S4、利用气象统计方法对多元回归模型提前预测的风速风向进行验证比较分析、优化并形成局地地形-气象降尺度模型。
2.根据权利要求1所述的一种复杂地形下风场的订正方法，其特征在于，所述地貌形态特征数据包括DEM数据和气象数据，通过所述气象数据包含的风速风向数据和所述DEM数据所包含的海拔高度来计算高度平流和地形散度，并以此进行地形类型分类。
3.根据权利要求2所述的一种复杂地形下风场的订正方法，其特征在于，通过所述风速风向和所述海拔高度来计算高度平流和地形散度的方法为：
坡度坡向，也称海拔高度梯度，表示为：
Figure 535809DEST_PATH_IMAGE002
其中，
Figure 265998DEST_PATH_IMAGE004
为地球半径，
Figure 108053DEST_PATH_IMAGE006
为经度，
Figure 316311DEST_PATH_IMAGE008
为纬度，
Figure 458579DEST_PATH_IMAGE010
为海拔高度，
Figure 94091DEST_PATH_IMAGE012
和
Figure 626704DEST_PATH_IMAGE014
为纬向（东西方向）和经 向（南北方向）的单位矢量；
坡度大小，即坡度坡向的模，利用纬向坡度和经向坡度表示为：
Figure 153500DEST_PATH_IMAGE016
其中h为坡度，m为模，hm指坡度的模，hx指x方向的坡度，hy指y方向的坡度；
利用气象学中平流的概念，定义高度平流为风矢量和坡度坡向的矢量积
Figure 635428DEST_PATH_IMAGE018
，表示为：
Figure 691109DEST_PATH_IMAGE020
；
利用气象学中速度散度的概念，定义地形散度为坡度坡向的散度，表示为：
Figure 461750DEST_PATH_IMAGE022
其中，纬向风速
Figure 261079DEST_PATH_IMAGE024
和经向风速
Figure 863092DEST_PATH_IMAGE026
为风矢量在
Figure 355254DEST_PATH_IMAGE028
方向和
Figure 409928DEST_PATH_IMAGE030
方向的分量，纬向风速
Figure 950631DEST_PATH_IMAGE024
和经向风速
Figure 921998DEST_PATH_IMAGE026
两者共同表示风矢量；
纬向坡度：
Figure 64355DEST_PATH_IMAGE032
经向坡度：
Figure 855593DEST_PATH_IMAGE034
纬向坡度和经向坡度为坡度坡向在
Figure 950719DEST_PATH_IMAGE028
方向和
Figure 511013DEST_PATH_IMAGE030
方向的分量。
4.根据权利要求3所述的一种复杂地形下风场的订正方法，其特征在于，依据所述高度平流和所述地形散度进行地形分类的方法：
平坝：连续的2×2个格点范围、坡度大小值
Figure 361289DEST_PATH_IMAGE036
和
Figure 374244DEST_PATH_IMAGE038
；
迎风坡和背风坡：
Figure 522329DEST_PATH_IMAGE040
的夹角大于90º、
Figure 953441DEST_PATH_IMAGE018
的值小于0；
背风坡：
Figure 958306DEST_PATH_IMAGE040
的夹角小于90º、
Figure 412553DEST_PATH_IMAGE018
的值大于0；
山脊：是分水区或分水线，位于地形辐散较强的区域，取
Figure 895487DEST_PATH_IMAGE042
；
山河或山谷：是汇水区或汇水线，位于地形辐合较强的区域区，取
Figure 446685DEST_PATH_IMAGE044
；
风口：通常也是地形海拔高度场分布的山口或河口鞍形场区域，且满足9点模型，如下 四个条件中任一条件的
Figure 622451DEST_PATH_IMAGE046
点：
①
Figure 360731DEST_PATH_IMAGE048
②
Figure 647356DEST_PATH_IMAGE050
③
Figure 974432DEST_PATH_IMAGE052
④
Figure 337412DEST_PATH_IMAGE054
经验参数取
Figure 15518DEST_PATH_IMAGE056
。
5.根据权利要求1所述的一种复杂地形下风场的订正方法，其特征在于，在构建风速风向空间拟合多元回归模型框架过程中，风场的风速风向取7天内、1小时间隔、3-5公里的区域数值风场格点资料。
6.根据权利要求5所述的一种复杂地形下风场的订正方法，其特征在于，分析风场的风速风向与相应格点的地形特征参数的统计关系。
7.根据权利要求5所述的一种复杂地形下风场的订正方法，其特征在于，根据反距离加权平均插值法拟合的标准化风速风向及实际风速风向的平均值和标准差计算拟合的风速风向。
8.根据权利要求1所述的一种复杂地形下风场的订正方法，其特征在于，根据典型风场 与相应地形特征参数建立所述多元回归模型建立方法：对逐个时次的纬向风
Figure 850706DEST_PATH_IMAGE024
和经向风
Figure 360185DEST_PATH_IMAGE026
进 行回归拟合建立模型，多元回归模型选取的组合变量因子如下：
拟合纬向风
Figure 362907DEST_PATH_IMAGE024
的组合变量因子：
Figure 528309DEST_PATH_IMAGE058
：海拔高度
Figure 156737DEST_PATH_IMAGE010
，最基本的地形参数；
Figure 537034DEST_PATH_IMAGE060
：地形散度纬向分量与不同时刻纬向风的积：
Figure 163187DEST_PATH_IMAGE062
，是定量表示不同类型地 形特征随时间或纬向风变化的综合因子；
Figure 363355DEST_PATH_IMAGE064
：纬向坡度与不同时刻纬向风的积：
Figure 61053DEST_PATH_IMAGE066
，是定量表示迎风坡、背风坡纬向分量随 时间变化的综合因子；
拟合纬向风
Figure 217228DEST_PATH_IMAGE026
的组合变量因子是：
Figure 92911DEST_PATH_IMAGE068
：海拔高度
Figure 764064DEST_PATH_IMAGE010
，最基本的地形参数；
Figure 750606DEST_PATH_IMAGE070
：地形散度经向分量与不同时刻经向风的积：
Figure 823604DEST_PATH_IMAGE072
，是定量表示不同类型地形特 征随时间或经向风变化的综合因子；
Figure 604609DEST_PATH_IMAGE074
：经向坡度与不同时刻经向风的积：
Figure 966320DEST_PATH_IMAGE076
，是定量表示迎风坡、背风坡经向分量随 时间变化的综合因子；
每个格点的标准化变量拟合方程的形式为：
Figure 490974DEST_PATH_IMAGE078
上式中
Figure 418478DEST_PATH_IMAGE080
是每个格点被拟合量
Figure 387963DEST_PATH_IMAGE082
的标准化变量，
Figure 33708DEST_PATH_IMAGE084
和
Figure 96473DEST_PATH_IMAGE086
是多元回归 拟合系数，
Figure 144064DEST_PATH_IMAGE088
和
Figure 266872DEST_PATH_IMAGE090
是上述标准化的变量因子。
CN202211015833.6A 2022-08-24 2022-08-24 一种复杂地形下风场的订正方法 Active CN115099162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015833.6A CN115099162B (zh) 2022-08-24 2022-08-24 一种复杂地形下风场的订正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015833.6A CN115099162B (zh) 2022-08-24 2022-08-24 一种复杂地形下风场的订正方法

Publications (2)

Publication Number Publication Date
CN115099162A true CN115099162A (zh) 2022-09-23
CN115099162B CN115099162B (zh) 2022-11-15

Family

ID=83300174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015833.6A Active CN115099162B (zh) 2022-08-24 2022-08-24 一种复杂地形下风场的订正方法

Country Status (1)

Country Link
CN (1) CN115099162B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258023A (zh) * 2023-05-15 2023-06-13 中国船舶集团风电发展有限公司 风电场的风速预测方法及终端设备
CN117077558A (zh) * 2023-07-18 2023-11-17 西南林业大学 一种时空精细化的风速场构建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN111401634A (zh) * 2020-03-13 2020-07-10 成都信息工程大学 一种获取气候信息处理方法、系统、存储介质
CN113420458A (zh) * 2021-07-14 2021-09-21 广东电网有限责任公司广州供电局 一种风场数据精细化处理方法、装置、终端及介质
CN113687447A (zh) * 2021-08-13 2021-11-23 中国人民解放军国防科技大学 基于多种测风设备的局地区域风场监测方法
CN114330641A (zh) * 2021-11-09 2022-04-12 国网山东省电力公司应急管理中心 基于复杂地形的深度学习的短期风速订正模型的建立方法
CN114840974A (zh) * 2022-03-25 2022-08-02 中国气象局地球系统数值预报中心 一种适用于复杂地形的平流模式系统及其操作方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN111401634A (zh) * 2020-03-13 2020-07-10 成都信息工程大学 一种获取气候信息处理方法、系统、存储介质
CN113420458A (zh) * 2021-07-14 2021-09-21 广东电网有限责任公司广州供电局 一种风场数据精细化处理方法、装置、终端及介质
CN113687447A (zh) * 2021-08-13 2021-11-23 中国人民解放军国防科技大学 基于多种测风设备的局地区域风场监测方法
CN114330641A (zh) * 2021-11-09 2022-04-12 国网山东省电力公司应急管理中心 基于复杂地形的深度学习的短期风速订正模型的建立方法
CN114840974A (zh) * 2022-03-25 2022-08-02 中国气象局地球系统数值预报中心 一种适用于复杂地形的平流模式系统及其操作方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SYLVAIN ROBERT .ETC: "Spatial prediction of monthly wind speeds in complex terrain with adaptive general regression neural networks", 《INTERNATIONAL JOURNAL OF CLIMATOLOGY》 *
张弛等: "基于WRF/CALMET的近地面精细化风场的动力模拟试验研究", 《气象》 *
郭新春等: "四川西南地区山地与平坝风速关系研究", 《电力勘测设计》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258023A (zh) * 2023-05-15 2023-06-13 中国船舶集团风电发展有限公司 风电场的风速预测方法及终端设备
CN117077558A (zh) * 2023-07-18 2023-11-17 西南林业大学 一种时空精细化的风速场构建方法

Also Published As

Publication number Publication date
CN115099162B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN115099162B (zh) 一种复杂地形下风场的订正方法
Liston et al. Simulating complex snow distributions in windy environments using SnowTran-3D
Yasutomi et al. Development of a long-term daily gridded temperature dataset and its application to rain/snow discrimination of daily precipitation
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
CN111428942B (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
CN108090285A (zh) 一种适用于复杂地形输电线路风灾监测的微气象观测布点方法
CN110674467A (zh) 基于swat模型的水文过程对气候变化的响应监测方法
CN114201922A (zh) 基于InSAR技术的动态滑坡敏感性预测方法及系统
CN115115262B (zh) 一种洪水风险灾害评估的方法
KR101264873B1 (ko) 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법
CN108808671A (zh) 一种风电场短期风速集合预报方法
Effat Mapping solar energy potential zones, using SRTM and spatial analysis, application in Lake Nasser Region, Egypt
KR101313822B1 (ko) 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
Mustafa et al. Application of swat model for sediment loads from valleys transmitted to Haditha reservoir
CN114528672A (zh) 基于3s技术的城市水文站网布设方法及系统
Citakoglu et al. Determination of monthly wind speed of Kayseri region with Gray estimation method
CN114093133A (zh) 一种区域地质灾害气象预报预警方法
Yu et al. An operational application of NWP models in a wind power forecasting demonstration experiment
Assouline et al. Machine learning and geographic information systems for large-scale wind energy potential estimation in rural areas
Zhang et al. Spatial Distribution of High-temperature Risk with a Return Period of Different Years in the Yangtze River Delta Urban Agglomeration
De Blasi Scale dependence of hydrological effects from different climatic conditions on glacierized catchments
Xu et al. Do model results vary under different routing algorithms based on a distributed ecohydrological model?
CN110824477A (zh) 一种地形订正降水面雨量的方法
CN114626578B (zh) 一种利用人工智能预报冻雨的方法
CN111353666A (zh) 一种基于野外环境监测站点的生态风险预警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant